YOLOv8-训练train.py参数设置

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
 
if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/v8/yolov8n.yaml')
    # model.load('yolov8n.pt') # loading pretrain weights
 
    # # model = YOLO('yolov8n.yaml')  # build a new model from YAML
    # model = YOLO('runs/detect/train_v8n/exp_v8n-eyeball5/weights/last.pt')  # load a pretrained model (recommended for training),配合resume=True,
    # # model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
    # model = all('ultralytics/cfg/models/v8/my-yolov8-CBAM-b1.yaml')  # 从头开始构建新模型
 
    model.train(data='./datasets/DYC/dataYAWDD.yaml',
    # model.train(data='/home/hjj/Desktop/dataset/dataset_visdrone/data_exp.yaml',
    # model.train(data='F/yolo/bilibilimodao/YOLOv8/ultralytics-20240627/ultralytics-main/datasets/DYC/dataYAWDD.yaml',
                # data=r'coco128.yaml',
                cache=False,  # (bool) True/ram、磁盘或False。使用缓存加载数据
                imgsz=640,  # (int) 输入图像的大小，整数或w，h
                epochs=100,  # (int) 训练的周期数
                batch=-1,   # (int) 每批次的图像数量（-1为自动批处理）
                close_mosaic=0,  # (int) 在最后几个周期禁用马赛克增强
                workers=0,  # (int) 数据加载的工作线程数（每个DDP进程）
                device='0', # (int|str|list, optional) 运行的设备，例如cuda device=0 或 device=0,1,2,3 或 device=cpu
                optimizer='SGD', # using SGD优化器，选择=[SGD，Adam，Adamax，AdamW，NAdam，RAdam，RMSProp，auto]
                # patience=0, # close earlystop# (int) 等待无明显改善以进行早期停止的周期数
                # resume='', # last.pt path # (bool) 从上一个检查点恢复训练，默认resume=False,  
                # amp=False, # close amp默认amp=True,  #自动混合精度（AMP）训练，选择=[True, False]，True运行AMP检查
                # fraction=0.2,  # (float) 要训练的数据集分数（默认为fraction=1.0,，训练集中的所有图像）
                project='runs/train_v8',
                name='exp_tvt_',
        
                # save=True,  # (bool) 保存训练检查点和预测结果
                # save_period=-1,  # (int) 每x周期保存检查点（如果小于1则禁用）
                # exist_ok=False,  # (bool) 是否覆盖现有实验
                # pretrained=True,  # (bool | str) 是否使用预训练模型（bool），或从中加载权重的模型（str）
                # verbose=True,  # (bool) 是否打印详细输出
                # seed=0,  # (int) 用于可重复性的随机种子
                # deterministic=True,  # (bool) 是否启用确定性模式
                # single_cls=False,  # (bool) 将多类数据训练为单类
                # rect=False,  # (bool) 如果mode='train'，则进行矩形训练，如果mode='val'，则进行矩形验证
                # cos_lr=False,  # (bool) 使用余弦学习率调度器
                # profile=False,  # (bool) 在训练期间为记录器启用ONNX和TensorRT速度
                # freeze=None,  # (int | list, 可选) 在训练期间冻结前 n 层，或冻结层索引列表。
                # # 分割
                # overlap_mask=True,  # (bool) 训练期间是否应重叠掩码（仅适用于分割训练）
                # mask_ratio=4,  # (int) 掩码降采样比例（仅适用于分割训练）
                # # 分类
                # dropout=0.0,  # (float) 使用丢弃正则化（仅适用于分类训练）
                # # 超参数 ------------------------------------------------------------------------
                # lr0=0.01,  # (float) 初始学习率（例如，SGD=1E-2，Adam=1E-3）
                # lrf=0.01,  # (float) 最终学习率（lr0 * lrf）
                # momentum=0.937,  # (float) SGD动量/Adam beta1
                # weight_decay=0.0005,  # (float) 优化器权重衰减 5e-4
                # warmup_epochs=3.0,  # (float) 预热周期（分数可用）
                # warmup_momentum=0.8,  # (float) 预热初始动量
                # warmup_bias_lr=0.1,  # (float) 预热初始偏置学习率
                # box=7.5,  # (float) 盒损失增益
                # cls=0.5,  # (float) 类别损失增益（与像素比例）
                # dfl=1.5,  # (float) dfl损失增益
                # pose=12.0,  # (float) 姿势损失增益
                # kobj=1.0,  # (float) 关键点对象损失增益
                # label_smoothing=0.0,  # (float) 标签平滑（分数）
                # nbs=64,  # (int) 名义批量大小
                # hsv_h=0.015,  # (float) 图像HSV-Hue增强（分数）
                # hsv_s=0.7,  # (float) 图像HSV-Saturation增强（分数）
                # hsv_v=0.4,  # (float) 图像HSV-Value增强（分数）
                # degrees=0.0,  # (float) 图像旋转（+/- deg）
                # translate=0.1,  # (float) 图像平移（+/- 分数）
                # scale=0.5,  # (float) 图像缩放（+/- 增益）
                # shear=0.0,  # (float) 图像剪切（+/- deg）
                # perspective=0.0,  # (float) 图像透视（+/- 分数），范围为0-0.001
                # flipud=0.0,  # (float) 图像上下翻转（概率）
                # fliplr=0.5,  # (float) 图像左右翻转（概率）
                # mosaic=1.0,  # (float) 图像马赛克（概率）
                # mixup=0.0,  # (float) 图像混合（概率）
                # copy_paste=0.0,  # (float) 分割复制-粘贴（概率）
                )